DynamoPMU：一种利用 $\mu$PMU 测量数据中非线性动力学的物理信息异常检测与预测方法
系统与控制
2023-11-07 v1 机器学习
系统与控制
摘要
技术的扩展与大量传感器的可获取性导致了海量实时流数据的产生。配电系统中的实时数据通过配电级相量测量单元（称为 PMU）收集，其报告高分辨率相量测量，包含各种事件特征，提供态势感知并实现配电系统的一定可见性。这些事件稀少、无计划且不确定；审视、检测并预测此类事件的发生是一项挑战。对于配电系统，明确识别描述事件复杂、非线性和非平稳特征模式的演化函数是困难的。在本文中，我们旨在通过发展一种基于物理动力学的方法来检测 PMU 流数据中的异常，并利用控制方程同时预测事件，以解决该问题。我们提出一种基于 Hankel 另类 Koopman（HAVOK）算子的数据驱动方法，称为 DynamoPMU，通过在线性本征空间中表示来分析配电系统的底层动力学。关键技术思想是，所提方法将序列数据中的线性动力学行为模式与间歇强迫（异常事件）分离，这被证明对异常检测和同步数据预测非常有用。我们通过对来自 LBNL 配电网的真实 PMU 数据进行分析，证明了所提框架的有效性。DynamoPMU 适用于以无监督方式实时检测事件并预测，且能适应变化的统计特性。
引用
@article{arxiv.2304.00092,
title = {DynamoPMU: A Physics Informed Anomaly Detection and Prediction Methodology using non-linear dynamics from $\mu$PMU Measurement Data},
author = {Divyanshi Dwivedi and Pradeep Kumar Yemula and Mayukha Pal},
journal= {arXiv preprint arXiv:2304.00092},
year = {2023}
}